Curso Online Live Streaming
5 Sesiones (aprox 3,5 hrs/cada una) : 9 al 13 de Diciembre, 2024
Duración : 18 hours
Descripción del curso:
Este curso está diseñado para proporcionar una comprensión sólida de los conceptos básicos del Aprendizaje Automático (Machine Learning) y su aplicación en la industria petrolera, con un enfoque en áreas de Ingeniería de producción y yacimientos. Los participantes aprenderán sobre los métodos y algoritmos utilizados en el Aprendizaje Automático, así como cómo estos pueden beneficiar y presentar desafíos en su uso.
El curso incluirá una sección sobre control de calidad de datos, incluyendo los métodos prácticos para identificar, transformar, normalizar, limpiar y validar los datos. Además, se realizará un análisis exploratorio y detallado de los datos para identificar vulnerabilidades. Los estudiantes también aprenderán a definir cuándo utilizar técnicas estadísticas como filtrado, agrupamiento, clasificación y árboles de decisión para identificar patrones en conjuntos de datos. Se les proporcionará familiarización con el uso de técnicas de regresión para trabajar con curvas de declive de producción y explicarán conceptos como el ‘mal de la multidimensionalidad’ y el ‘sobreajuste’ de un modelo. Para ilustrar los conceptos explorados en el curso, se presentarán casos empresariales que reflejen la aplicación práctica del Aprendizaje Automático en la industria petrolera.
Objetivos de aprendizaje:
- Conceptos básicos del Aprendizaje Automático con énfasis en aplicaciones petroleras incluyendo áreas de producción y yacimientos.
- Métodos y algoritmos utilizados en el Aprendizaje Automático.
- Lograr una buena comprensión de los beneficios y problemas involucrados en el uso de dichas técnicas.
- Control de calidad de datos y familiarización con los métodos para identificar, recolectar, manipular, transformar, normalizar, limpiar y validar los datos.
- Realizar un análisis exploratorio y detallado de los datos para filtrarlos, identificar vulnerabilidades y seleccionar entradas/salidas.
- Definir cuándo utilizar técnicas estadísticas como: filtrado, agrupamiento, clasificación y árboles de decisión. Identifica patrones en conjuntos de datos.
- Familiarización con el uso de técnicas de regresión para trabajar con curvas de declive de producción. Explicar el ‘mal de la multidimensionalidad’ y el ‘sobreajuste’ de un modelo.
- Casos empresariales para ilustrar los conceptos explorados en el curso.
- Consideraciones éticas del uso del aprendizaje profundo y la inteligencia artificial.
Dirigido a: Este es un curso de nivel intermedio, diseñado para profesionales técnicos del sector de Ingeniería de petróleos, incluyendo ingenieros de reservorios, analistas de datos e ingenieros de perforación y producción.
Requisitos previos: Se espera que los participantes tengan experiencia intermedia a avanzada en la industria del petróleo y comprendan los fundamentos de la ingeniería de reservorios y/o producción. También es necesario que los participantes tengan habilidades básicas de programación, particularmente en Python.
Formato: Este curso ofrece una experiencia educativa dinámica y práctica, ya sea en formato presencial o en línea. Los participantes tendrán la oportunidad de aplicar su conocimiento teórico a través de ejercicios prácticos y participar en discusiones interactivas sobre estudios de casos reales del mundo empresarial. Este enfoque práctico asegura que los estudiantes no sólo comprendan los conceptos, sino que también puedan implementarlos en situaciones del mundo real.
Agenda del curso:
Día 1: Fundamentos del Aprendizaje Automático – 3.5 hrs
- Bienvenida y objetivos del curso (15 min).
- Historia y definición de Inteligencia Artificial, Aprendizaje Automático y Aprendizaje Profundo (45 min).
Descanso (15 min)
- Ejemplos del uso del aprendizaje profundo en la industria petrolera: áreas de producción y yacimientos (45 min)
- Caso 1: Beneficios y desafíos de la utilización del aprendizaje automático (30 min).
- Discusión en grupo y Q&A (30 min)
- Desarrollos y avances del uso de la inteligencia artificial en la industria petrolera. (30 mins)
Día 2: Métodos y Algoritmos del Aprendizaje Automático – 3.5 hrs
- Algoritmos y bases fundamentales del aprendizaje profundo: Clasificación, regresión y árboles de decisión. (60 min)
- Requisitos base para un modelo multivariante (60 mins).
Coffee Break (15 min)
- Caso 2: Análisis multivariante para la clasificación de datos. (30 min)
- Discusión en grupo y Q&A (30 min)
Día 3: Control de calidad y análisis de datos (EDA) – 3.5 hrs
- Aprendizaje profundo en Python: métodos y bibliotecas fundamentales (60 min)
- Control de calidad y familiarización con los métodos para identificar, recolectar, manipular, transformar, normalizar, limpiar y validar los datos. (45 min)
Coffee Break (15 min)
- Ejemplo práctico: Preparación de datos, exploratory Data Analysis (EDA) (90 min)
Día 4: Predicción utilizando métodos de aprendizaje automático – 3.5 hrs
- Ejemplo práctico en Python: Uso de técnicas de regresión para predicción de rendimiento de pozos y declive de producción. (90 min)
Descanso (15 min)
- Medidas de incertidumbre y fiabilidad en las predicciones del modelo: Intervalos de confianza y predicción. (60 min)
- Intervalos de confianza y predicción: Ejemplo práctico en python (30 min)
Día 5: Evaluación y optimización de modelos – 3.5 hrs
- Métricas de evaluación comparativa y optimización de modelos (45 min)
- ‘mal de la multidimensionalidad’ y el ‘sobreajuste’ de un modelo.
- Ejemplo práctico en Python: Optimización y selección de modelos. (60 min)
Descanso (15 min)
- Caso 3: Sesgo y dificultades de los modelos de aprendizaje automático. (45 min)
- Ejemplo y causas de clasificación errónea.
- Resumen y puntos clave del curso (30 min)
